煤化工厂煤炭洗选机械设备运行状态监测方法

谭兴富 邬金亮 徐虎彪

摘 要 提出基于多传感器的煤炭洗选机械设备运行状态监测方法。基于多传感器的组成结构及自身优势，将其安装到洗选机械设备中，通过多传感器获取不同环境下的设备运行信号，再将信号输送到建立的设备信号采集模型中，完成对煤炭洗选机械设备运行状态变化的记录及分析，实现设备运行信号采集；构建特征分析模型提取设备运行状态特征，再通过增量式学习机制对设备运行特征数据集开展动态聚类，以此实现对设备运行状态的自动辨识。实验结果表明：采用笔者所提方法进行设备运行状态监测，其结果假阳率低、真阳率高，可实现准确可靠的煤炭洗选机械设备运行状态监测。

关键词 多传感器 煤炭洗选机械 状态监测 特征提取 采集模型 动态聚类

中图分类号 TP212   文献标志码 A   文章编号 1000?3932（2024）01?0128?05

近年来，煤矿资源开采智能化已成为我国能源产业发展的新战略［1，2］。煤矿领域通常使用煤炭洗选机械设备对煤炭洗选进行加工，它不仅可以有效提升煤矿资源利用率，同时对环境保护也有重要作用，可见煤炭洗选机械设备的智能化程度是反映煤炭加工设备智能化趋势的重要指标［3］。随着对高质量煤炭需求的日渐增多，煤炭洗选加工率超过50%，导致煤炭洗选机械设备的使用频率逐渐增高。在这种高频率使用下，煤炭洗选机械设备极易出现运行故障等多种问题，为此需对煤炭洗选机械设备运行状态进行监测。

研究学者们对煤炭洗选机械设备运行状态监测方法进行了诸多研究。文献［4］以大数据技术为主，结合大数据应用数据与物联网，建立了一个运行状态监测系统。文献［5］针对煤炭洗选机械设备运行状态监测系统时效性差的问题，将系统与无线传感网络相结合，在系统内设计了能量采集模块、无线传感网络和监测模块，每个模块所具备的功能不同，如能量采集模块主要对煤炭洗选机械设备的振动能量进行采集，并将采集的能量供给设备电路，达到节省电能的目的。文献［6］对设备运行状态参数开展了详细分析，提出了一种设备状态监测终端，利用监测终端对设备中的环境温度、电路电流等实施监测和测量，并将测量结果输入到物联网中，实现监测终端与云平台的数据通信，最后依据接收的通信数据信息完成设备运行状态监测。

然而，随着煤炭洗选机械设备复杂程度的不断递增，设备运行状态特征数据也越来越复杂，导致目前的研究方法存在监测可靠性低的问题。为此，笔者提出一种基于多传感器的煤炭洗选机械设备运行状态监测方法。

1 基于多传感器的煤炭洗选机械设备运行数据采集

1.1 基于多传感器的煤炭洗选机械设备

1.1.1 多传感器组成

多传感器［7］主要由敏感元件、转换元件和基础电路3部分组成，具有将外界信号转换成电信号的优势，它可以对机械设备的信号进行采集和监控，也可以进行传输和处理。由于煤炭洗选机械设备的电信号极易被放大、滤波、存储，所以需要将多传感器安装到设备中，并将其与网络技术相结合，以便采集设备信息数据。

1.1.2 多传感器安装

多传感器在设备中的安装位置会对信号的获取产生较大影响，所以需要作出以下设置：

a. 任意选择一个煤炭洗选机械设备，并将该设备作为新设备；

b. 将多传感器中的振动传感器和声发射传感器安装在设备中间，从而利用振动传感器获取机械设备的振动方向，利用声发射传感器对设备的距离进行检测；≥

c. 采用机械设备反复进行洗选工艺操作，利用多传感器获取设备中的信号。

1.2 构建煤炭洗选机械设备信号采集模型

多传感器安装完毕后，可以获取不同方向、不同距离的设备运行信息，并以此建立信号采集模型（图1）［8，9］。将获取的信息数据输送到模型中，利用模型对设备产生的任何运行状态变化情况进行记录和分析，从而实现煤炭洗选机械设备运行信号的采集。

图1中，t轴表示监测时间；x轴表示信号采集维数，维数决定设备的特征提取能力；y轴表示煤炭洗选机械设备运行状态监测点。在t时刻，利用该模型采集到的x维设备运行状态信号可记录为（x，y，t）。

根据图1模型对煤炭洗选机械设备运行状态信号进行记录，即可完成运行状态信号采集。

2 煤炭洗选机械设备运行状态监测

2.1 运行状态信号特征提取

基于多传感器，完成煤炭洗选机械设备运行状态信号数据采集后［10］，根据建立的特征分析模型即可提取设备运行状态特征。特征分析模型表达式为：

C（m，n）=cum{x（t），x（t），x（t），x（t）｝，m≥0，n≤p-1（1）

其中，C（m，n）为动态特征量，cum为累积量，x（t）为状态信号值，x（t）为监测信号值，p为动态特征总维度。

基于多目标检测方法［11，12］对煤炭洗选机械设备的运行状态监测，再利用该模型对监测结果的动态特征分析，从而取得煤炭洗选机械设备运行状态分析的均匀谱。

依据机械设备的振动特征［13，14］，完成设备的非平衡数据多目标检测，从中取得设备运行状态的运维形态检测输出参数，相关方程为：

其中，Φ、Ω、Λ为设备的运维形态检测参数，diag［·］为对角矩阵，e为矩阵参数，γ为运行状态检测值，L为维数，w为特征估计量。

设置煤炭洗选机械设备运维形态分布矩阵为T，从中提取设备运行状态特征量后即可实现设备运行状态特征的提取。

2.2 基于增量式学习的煤炭洗选机械设备运行状态监测

基于提取的煤炭洗选机械设备运行特征向量，建立特征集合，再采用增量式学习机制对设备运行特征数据集开展动态聚类［15，16］，从而实现煤炭洗选机械设备运行状态监测。

特征集合状态不同，与之对应的流形结构也不相同。为提升聚类结果的准确性，在特征集合中随机选取若干特征数据建立训练样本集，使用LSTM算法对样本实施维数约简［17，18］，并将训练样本集在低维嵌入空间中的中心点坐标用作机械设备的运行状态监测依据。

笔者采用增量式学习方法对特征集合中的训练样本点开展动态聚类，其具体流程如下：

a. 在每一类特征集合训练样本中加入一个低维坐标作为标记，并采用平均欧式距离计算获取样本聚类中心坐标点；

b. 若出现新增的样本点，则需要采用LTSA算法计算其相应的低维坐标，并及时更新流形结构。

LTSA算法的计算步骤为：

a. 设特征数据中的新增样本点为r（N代表样本点数量），以k近邻规则对邻域矩阵更新；

b. 采用奇异值分解方法对更新后的矩阵实施分解处理，取得设备的局部几何坐标，再利用LTSA算法建立新的矩阵；

c. 通过Rayleigh?Ritz子空间对矩阵中的特征向量不断更新计算，其最终更新结果就是机械设备的全局坐标映射。

根据以上操作流程，对中心点坐标与低维坐标距离进行计算，按照距离相似度准则判断煤炭洗选机械设备运行状态类别［19］。相似度测度函数表达式如下：

其中，C为中心点向量坐标，t为嵌入坐标，β为样本点的欧氏距离，d为距离。

基于增量式学习的煤炭洗选机械设备特征数据样本点的动态聚类流程如图2所示。

3 实验与结果分析

为了验证基于多传感器的煤炭洗选机械设备运行状态监测方法的整体有效性，需要对该方法开展对比测试。

选取一款煤炭洗选机械设备作为本次实验研究对象，如图3所示。

除了测试目标外，传感器附近其他金属物的

存在以及不适当的安装位置，将有碍于正确测试。目前，主流的3种传感器安装方式及其安装效果如图4所示。由于安装方式1没有角度遮挡死区，故笔者选择图4中的安装方式1安装传感器。

对煤炭洗选机械设备运行状态进行监测时，其监测结果会出现假阴性及假阳性两种虚假结果。假阴性表示将监测设备运行正常状态判定为异常状态；假阳性表示将监测设备运行异常状态判定为正常状态。其中假阳性对设备运行状态监测的准确性影响较大，极易隐藏安全隐患，为此需对其进行准确判别。采用假阳率作为衡量指标，其计算式如下：

其中，F为假阳率，T为真阳率，n为异常状态监测判定为正常状态，n为异常状态监测判定为异常状态，n为正常状态监测判定为正常状态，n为正常状态监测判定为异常状态。

方案一为笔者所提方法，方案二采用文献［4］方法，所得煤炭洗选机械设备运行状态监测结果如图5所示。

由图5a可知，方案二假阳率较高，采用方案一后假阳率明显下降，可见方案一所得监测结果更加可靠。图5b中，方案二所得结果的真阳率较低，说明方案二的监测准确度不佳；采用方案一后，真阳率显著提升，可见方案一的监测准确度更高。这是因为方案一采用增量式学习机制对提取的设备运行特征数据集实施了动态聚类，实现了对设备运行状态的辨识，以此提升了整体监测准确率，使得方案一对设备运行状态监测具备更高的可靠性。

煤炭洗选机械设备运行状态的运维形态谱峰及谱密度的维数决定着设备运行特征提取能力，维数低，说明特征提取能力不足，维数高，则极易出现拟合问题，所以为了验证设备运行状态信号特征提取效果，设置设备运维形态最佳谱峰及谱密度的维数为30，采用方案一和方案二对运维形态维数进行预测，并将结果与设置的最佳维数进行对比，验证笔者所提方法的可靠性，结果如图6所示。可以看出，在整体测试中，方案二所得结果与最佳维数相差较大，而方案一结果基本与设定值一致，误差较小且均在允许范围内，可忽略不计。可见，采用笔者所提方法后，煤炭洗选机械设备运行状态信息的特征提取能力得到了提升、特征提取效果变好。

提取结果对比

4 结束语

煤炭洗选机械设备运行状态监测效果的不佳会导致设备出现故障，影响整体运行效果，针对这一问题，提出基于多传感器的煤炭洗选机械设备运行状态监测方法。该方法将多传感器安装到煤矿洗选设备中，结合建立的信号采集模型，实现设备信号采集。基于采集结果，提取设备运行状态特征，再利用增量式学习机制对提取的特征数据集开展动态聚类，实现设备运行状态监测。实验结果表明，采用笔者所提方法后，设备运行状态监测具备更高的可靠性和准确性，煤炭洗选机械设备运行状态信息的特征提取能力得到了提升、特征提取效果变好。

参 考 文 献

［1］ 殷全增，陈中山，冯启言，等.河北省主要矿区关闭煤矿资源再利用模式探讨［J］.煤田地质与勘探，2021，49（6）：113-120.

［2］ 法子薇，李新春.基于云模型的煤矿资源型城市生态风险评价研究［J］.科技管理研究，2021，41（9）：190-194.

［3］ 王光新，訾涛，韩恒旺.豫西矿区高煤泥含量煤炭洗选工艺设计思路分析［J］.煤炭技术，2020，39（2）：157-159.

［4］ 张新.基于大数据技术的煤炭洗选设备运行数据监测系统设计［J］.化工矿物与加工，2020，49（10）：9-12；56.

［5］ 高扬，穆继亮，何剑，等.煤机设备无线自供电状态监测系统［J］.机械工程学报，2020，56（13）：41-49.

［6］ 刘春雨，罗群，顾强，等.智能配电网电能计量设备的运行状态监测终端研究［J］.中国测试，2020，46（7）：68-74.

［7］ 田立勇，李文政，隋然.基于多传感器的采煤机滑靴受力检测系统研究［J］.煤炭学报，2020，45（4）：1547-1556.

［8］ 王海，徐罡，杨春来，等.预应力式压电能量采集器的模型和试验分析［J］.振动与冲击，2022，41（7）：88-96.

［9］ 谭江平，王光庆，鞠洋，等.多稳态压电振动能量采集器的非线性动力学特性及其实验研究［J］.振动工程学报，2021，34（4）：765-774.

［10］ 丁毅，王亚林，李文艺，等.基于SHF信号采集和下混频技术的方波下局部放电测试方法［J］.高电压技术，2022，48（3）：1133-1141.

［11］ 罗大鹏，杜国庆，曾志鹏，等.基于少量样本学习的多目标检测跟踪方法［J］.电子学报，2021，49（1）：183-191.

［12］ 杨传栋，刘桢，马翰宇，等.一种基于改进Yolov3的弹载图像多目标检测方法［J］.弹箭与制导学报，2020，40（4）：149-153.

［13］ 张雷克，唐华林，王雪妮，等.磁流变液阻尼器控制下贯流式机组轴系碰摩振动特性分析［J］.中国电机工程学报，2022，42（2）：693-702.

［14］ 耿令新，李康，庞靖，等.基于时频和功率谱密度的移栽机振动特性测试与分析［J］.农业工程学报，2021，37（11）：23-30.

［15］ 黄永鑫，唐雪飞.基于近邻传播聚类和TANE算法的高校数据中函数依赖的发现［J］.计算机应用，2020，40（1）：90-95.

［16］ 卜湛，王煜尧，马丽娜，等.基于动态类簇形成博弈的属性图聚类方法［J］.计算机学报，2021，44（9）：1824-1840.

［17］ 金莎，郑颖春.基于区分对的混合型弱标记数据增量约简算法［J］.河南科技大学学报（自然科学版），2022，43（3）：92-99；10.

［18］ 吴婉琳，张贤勇，莫智文.基于粗糙集不确定度的特定类属性约简［J］.四川师范大学学报（自然科学版），2021，44（6）：840-846.

［19］ 余刃，谢旭阳，秦法涛，等.一种用于旋转设备运行状态无线监测的智能无线振动传感器设计［J］.核动力工程，2020，41（3）：221-226.